論文の概要: Benchmarking Classical Machine Learning Models for Shading-Fault Detection in Rooftop Photovoltaic Systems Using Real Sensor Data

• arxiv url: http://arxiv.org/abs/2611.00917v1
• Date: Sat, 31 Oct 2026 13:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-13 09:04:34.299484
• Title: Benchmarking Classical Machine Learning Models for Shading-Fault Detection in Rooftop Photovoltaic Systems Using Real Sensor Data
• Title（参考訳）: 実センサデータを用いた屋根上太陽光発電システムにおけるシェーディング・フォールト検出のための古典的機械学習モデルのベンチマーク
• Abstract要約: 太陽光発電(PV)故障検出のための機械学習分類器のほとんどの比較は、シミュレーション断層上で検証されている。 我々は4kWの屋上植物であるRéunionデータセットの古典的およびアンサンブルツリー分類器を7つ比較した。 Random Forest と XGBoost は最高平均精度 (0.838, 0.831) とMatthews 相関係数 (MCC; 0.526, 0.522) を与えた。 エラーは全エピソードに集中しており、ランダムフォレストは17の障害エピソードのうち4エピソードをほぼ完全に見逃した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most published comparisons of machine-learning classifiers for photovoltaic (PV) fault detection are validated on simulated faults. We compare seven classical and ensemble-tree classifiers on the Réunion dataset, a 4 kW domestic rooftop plant on which shading faults were physically staged and logged. Readings within a staged episode are near-duplicates, so every train/test split is grouped by episode. A 20,800-row subsample that retains all 17 fault episodes was evaluated with three repeats of five-fold group-aware nested cross-validation, with synthetic minority oversampling (SMOTE) applied inside the training folds. Random Forest and XGBoost gave the highest mean accuracy (0.838 and 0.831) and Matthews correlation coefficient (MCC; 0.526 and 0.522). After Holm correction across the 21 pairwise Wilcoxon tests, only Random Forest's accuracy advantage over k-nearest neighbours and the multi-layer perceptron remained significant. Logistic Regression and the Decision Tree (accuracy 0.820) could be separated neither from the ensembles nor from the weakest models. SMOTE lowered binary MCC for six of the seven classifiers. Errors were concentrated in whole episodes: the Random Forest almost entirely missed four of the 17 fault episodes, including one of two uniform-shading and two of five intermittent-shading episodes. A post-hoc diagnostic shows that the no-fault rows were sampled over a wider range of times of day and output levels than the fault rows. Clock time alone reaches an MCC of 0.44, and PV-side voltage alone 0.72. The reported scores therefore reflect operating-condition differences as well as shading signatures. We release the pipeline and the diagnostics, and identify matched no-fault sampling as the step needed before the classifier ranking can be generalised.
• Abstract（参考訳）: 太陽光発電(PV)故障検出のための機械学習分類器のほとんどの比較は、シミュレーション断層上で検証されている。 Réunionデータセット上の7つの古典的およびアンサンブルツリー分類器を比較した。 ステージ化されたエピソード内での読み出しは、ほぼ重複しているため、各列車/テストスプリットはエピソードごとにグループ化される。 20,800列のサブサンプルが17回の障害エピソードを全て保持し,5回にわたるグループ認識型ネスト型クロスバリデーションを3回繰り返して評価し,SMOTEをトレーニングフォールド内に適用した。 ランダムフォレストとXGBoostは平均精度(0.838と0.831)とマシューズ相関係数(MCC; 0.526と0.522)を与えた。 21回のウィルコクソン試験でホルムの補正を行った後、ランダムフォレストはk-アネレスト近傍での精度の優位性を保ち、多層パーセプトロンは重要なままであった。 ロジスティック回帰と決定木(精度0.820)はアンサンブルからでも最も弱いモデルからでも分離できない。 SMOTEは7つの分類器のうち6つに対してバイナリMCCを低下させた。 ランダム・フォレスト』は17エピソードのうち4エピソードをほぼ完全に見逃し、そのうちの1エピソードは均一な陰影で、5エピソードは断続的な陰影だった。 ポストホック診断では、非デフォルトの行が1日当たりの広い範囲でサンプリングされ、フォールト行よりも出力レベルが高かった。 クロック時間は0.44であり、PV側電圧は0.72である。 報告されたスコアは、動作条件の違いとシェーディングシグネチャを反映している。 我々は,パイプラインと診断結果を公開し,一致しないサンプリングを分類器のランク付けを一般化するために必要なステップとして同定する。

関連論文リスト

• Adversarial Robustness Is Not Zero-Day Generalization: A Controlled Evaluation of Flow-Based Intrusion Detectors on Corrected CIC-IDS2017 [0.0]
  特徴空間の敵対的摂動を含む既知の攻撃の合成変種は、しばしば目に見えない「ゼロデイ」攻撃のスタンドインとして使用される。 我々はRandom Forest, XGBoost, 1D-CNN, FT-Transformerを訓練し、5種に対して1%の偽陽性率で比較した。
  論文  参考訳（メタデータ） (2026-10-31T07:11:29Z)
• Beyond Multi-Stage Pipelines: A Label-Correlation Ensemble for Multi-Label Retinal Fundus Disease Classification [0.0]
  RFMiD 1.0, RFMiD 2.0, ODIR-5Kから構築した39ターゲットラベル空間上での3つのアーキテクチャの比較を行った。 3つとも1つのSwin-V2-Bバックボーン、1つの前処理パイプライン、1つのトレーニングプロトコルを共有している。
  論文  参考訳（メタデータ） (2026-10-16T16:54:48Z)
• When Sample-Splitting Choices Matter in TMLE and AIPW: Cross-Fitting, Targeting, and Repetition [0.0]
  機械学習ニュアンスモデルを用いた目標最大誤差推定(TMLE)と拡張逆確率重み付け(AIPW)の変数は,それぞれ異なる。 バイナリアウトカム平均処理効果の既知のトラスシミュレーションでは、8つのヘッドライン推定器がそれぞれの設定ライブラリ、内折り、トランケーションバウンドを共有した。
  論文  参考訳（メタデータ） (2026-10-12T05:17:09Z)
• Efficient Patch-Based Anomaly Detection Fused with Diffusion Driven Generative Modeling for Semiconductor Wafer Bin Map Open Set Anomaly Detection [0.0]
  本研究は、パッチベースの学生教師検出装置(EfficientAD)と部分拡散再構成に用いる拡散確率モデル(DDPM)を結合したハイブリッド一級フレームワークを提案する。 WM-38K混合型データセットから700個の正常なウエハをトレーニングし、18,658個の保持型ウエハで評価し、融合検出器はAUROCの0.9985に達し、誤分類は852個(DDPM)と1,412個(EfficientAD)から618個(EfficientAD)に減少した。
  論文  参考訳（メタデータ） (2026-10-07T12:52:58Z)
• Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks [0.0]
  我々は、ランダムフォレスト+XGBoost+ロジスティック回帰アンサンブルの洗練されたニュートロゾフィック分解を4つの指標に操作する。 I1-hatはT-hat/F-hat以上のエラーと堅牢な相関を示すが、I2-hatはほとんど寄与しない。 CWRUだけでは、文学的に検証された断層周波数は、封筒スペクトルを介して正しく復調され、ほとんどの断層クラスはほぼ完全に分離された。
  論文  参考訳（メタデータ） (2026-09-18T18:24:20Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。